基于支持向量机和长短期记忆网络的暂态功角稳定预测方法

被引：69

作者：

刘俐 ^{[1
]}

李勇 ^{[1
]}

曹一家 ^{[1
]}

汤吉鸿 ^{[2
]}

朱军飞 ^{[2
]}

杨丹 ^{[2
]}

王炜宇 ^{[1
]}

机构：

[1] 湖南大学电气与信息工程学院

[2] 国网湖南省电力有限公司

来源：

电力自动化设备 | 2020年 / 40卷 / 02期

关键词：

暂态功角稳定预测; 支持向量机; 循环神经网络; 长短期记忆网络; 功角轨迹预测;

D O I：

暂无

中图分类号：

TM712 [电力系统稳定];

学科分类号：

080802 [电力系统及其自动化];

摘要：

为实现暂态功角稳定性及功角轨迹的预测,提出一种支持向量机(SVM)与长短期记忆(LSTM)网络相结合的预测方法。根据系统动态特性构造暂态特征变量,采用SVM训练暂态稳定性分类器,对暂态稳定进行初步评估;利用LSTM网络对分类器评估的失稳样本进行发电机功角轨迹预测,提前发现失稳机组,减少误判样本数。通过IEEE 10机39节点系统产生训练样本并对所提方法进行测试,结果验证了所提方法的快速性和精确性。

引用

页码：129 / 139

页数：11

共 15 条

[1]

基于XGBoost算法的电力系统暂态稳定评估 [J].

张晨宇 ;

王慧芳 ;

叶晓君 .

电力自动化设备, 2019, 39 (03) :77-83+89

[2]

基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估 [J].

田芳 ;

周孝信 ;

于之虹 .

电力系统保护与控制, 2017, 45 (22) :1-8

[3]

用于电力系统暂态稳定预测的支持向量机组合分类器及其可信度评价 [J].

周艳真 ;

吴俊勇 ;

于之虹 ;

冀鲁豫 ;

郝亮亮 .

电网技术, 2017, 41 (04) :1188-1196

[4]

High-performance predictor for critical unstable generators based on scalable parallelized neural networks.[J].Youbo LIU;Yang LIU;Junyong LIU;Maozhen LI;Zhibo MA;Gareth TAYLOR;.Journal of Modern Power Systems and Clean Energy.2016, 03

[5]

发电机运动轨迹预测理论的研究 [J].